rxcrawler

##常见的爬虫

• crawler4j
  在抓取IP代理的项目proxy-checker 使用。

  • 优点:
    • 简单易用
    • 支持 resume (停止服务后，重启继续之前的任务)
  • 缺点:
    • 仅处理GET
    • 单机

• webmagic

  • 优点:

    • 结构清晰
    • 扩展性好
    • 开箱即用

  • 缺点:

    1. 对POST请求resume有缺陷(缺省保存url,没有保存post body)
    2. 当服务被终止时，可能丢失正在运行的请求(一般情况下，这不是什么问题， 但例如分类下的商品抓取，一页接一页，当服务被重启时，丢失了一个请求可能使得整个分类丢失)
    3. 基于bio，在高并发抓取下会消耗大量的线程。

    前2个缺点基本可以通过扩展修改，但bio属于核心结构，无法修改。

webmagic的rx-java改造

借鉴webmagic的结构和接口，但对核心的spider，downloader 使用 nio，rx-java 进行重写， 可以支持少量线程支持上千的并发抓取，配合squid和proxy-checker获取的代理ip，极大提升抓取效率。

##DEMO

• 京东爬虫

基于rxcralwer的例子，抓取京东的移动端接口。

• IT桔子爬虫

基于rxcralwer的例子，抓取_IT桔子_的移动端接口。